Suno 把音轨分离重做了，不是抠频率是从零重新生成一遍

昨晚刷到 Suno 一条更新，就一句话，我盯着看了两遍。

它说，音轨分离升级了，现在不是隔离频率，而是把每条音轨从零重新生成一遍。原文是 regenerating stems from scratch instead of just isolating frequencies，配了段演示，1 万多浏览，底下一堆做音乐的在欢呼。

我第一反应不是欢呼，是愣了一下。

因为如果你知道过去十年这个领域是怎么干活的，你会发现这句话里藏着一个很大的范式调头。不是把活干得更好了，是换了一种世界观在干活。这事儿值得唠唠。

先说清楚音轨分离是个啥。你手里有一首做好的歌，人声、鼓、贝斯、吉他全混在一起，变成了左右两条立体声轨道。所谓 stem separation（音轨分离，也叫音源分离），就是想把这锅已经煮好的汤，重新拆回一碗清汤加几把单独的料，人声归人声，鼓归鼓。做卡拉 OK 要它，重新混音要它，采样、扒带、二次创作都要它。

需求一直在，难的是怎么拆。

过去主流的拆法，本质是在频谱图上做减法。把那条混音波形做个变换，铺成一张时间和频率的二维图，行话叫频谱图（spectrogram，横轴时间纵轴频率的一张热力图）。然后训练一个模型去猜，这张图上每一个点，是属于人声的能量，还是属于鼓的能量。猜完了，把判给人声的那些点抠出来反变换回去，你就得到一条人声轨。这套思路叫频谱遮罩（spectral masking），听着挺巧妙对吧。

Deezer 开源的 Spleeter 是这条路的代表，跑得飞快，当年 GitHub 上一片欢呼。后来 Meta 的 FAIR 实验室搞了 Demucs，做得更精细，后期版本干脆跳过频谱图直接在波形上动刀。商业产品里 LALAL.AI、Moises 这些，底子也都是这套减法逻辑。它们确实好用，我自己扒过几次伴奏，能用。

但这套减法有个绕不过去的物理天花板。

你想想看，人声和吉他如果在同一个瞬间踩到了同一个频率，它俩的能量在频谱图上就是叠在一起的一坨，糊成一团。模型这时候不是在做切割，是在做分赃，它得猜这一坨里有几分该给人声几分该给吉他，猜错一点，抠出来的人声里就带着吉他的渣，吉他里就飘着人声的魂。

这种残留有个专门的名字，叫伪影（artifacts），听感上就是那种水下的、闷闷的、带点金属咕噜声的脏东西。混音越密集，乐器越多，撞车越狠，捞出来的分轨越糊。做这行的人都熟，你拿一首编曲简单的民谣去扒，干干净净；拿一首墙到墙全是声音的流行歌去扒，出来的人声跟隔着浴室门唱的一样。

这不是工程师不努力，是减法这条路本身就有上限。一锅汤煮到一起了，你想把葱花一根一根挑干净，总会带汤带渣，这是物理决定的，再好的筷子也没用。

然后 Suno 说，我不挑了。

它的新做法，是不再去原混音里抠，而是让生成模型理解这首歌的每一条声部本来应该长什么样，然后从零合成一条全新的、干净的分轨出来。注意这个动作的性质变了，前面那套是把脏数据里的信息往外捞，Suno 这套是知道答案之后重新画一遍。

葱花挑不干净，那我干脆别挑了，我知道这锅汤的配方，我重新单独给你做一份纯葱、一份纯姜、一份纯蒜，每一份都是新鲜现做的，干净到可以直接下锅。

听着挺玄对吧。凭什么它能知道每条声部本来长啥样？

关键在这是 Suno 自己生成的歌。它手里本来就攥着这首曲子的底稿，每条声部的来龙去脉它一清二楚，所以它不需要从成品里去逆向猜测，它直接调出那条声部重新生成一遍就行。这一下就绕开了减法的物理天花板，因为它压根没在做减法，它在做创作的回放。

我看到这儿是真愣了一下。这不是把扒带这件事做得更好了，这是把扒带这件事给取消了，换成了重新唱一遍。

而且你把镜头拉远一点会发现，这个调头在 AI 这几年里反复发生过。

老照片修复，早年是拿一堆滤镜去锐化去噪，跟挤牙膏一样从糊掉的像素里硬抠细节，修出来一股塑料感。后来扩散模型上场，思路直接变成，我见过几千万张清晰的人脸，我知道一张正常的脸该长啥样，我不修了，我照着你这张糊脸重新生成一张清晰的。语音降噪、图像超分、缺帧补全，剧情几乎一模一样，都是从判别式（judge，判断这是啥、该留还是该扔）转向生成式（generate，干脆重新造一个对的出来）。

这背后其实是一个挺朴素的道理。当模型见过了足够多的正确答案，与其费劲巴拉地从一份坏掉的数据里抠那点残存信息，不如让它直接照着脑子里的正确答案重画一份。补全缺失信息这件事上，生成式比判别式有结构性的优势，因为判别式被原始数据的质量锁死了，原图多糊它就多无能为力；生成式不被锁死，它的上限是它脑子里见过的世界，而不是你手里那份烂数据。

Suno 这次干的，就是把这套世界观搬到了音频分轨上。早该有人这么想了，但真做出来还是有点子牛逼。

说到这我得踩个刹车，泼点冷水，免得显得我在替它打广告。

它这套有个非常硬的前提，叫这首歌得是它自己生成的。它认识这段音频，它有底稿，所以才能重画。可一旦你扔给它一首外面的歌，一首它从没见过的、别人做的曲子呢？它手里没有底稿，它不知道这条人声本来真正长啥样，那它所谓的重新生成，就不再是回放，而是猜着编。

编出来好不好听是一回事，但它很可能会编出原作里压根不存在的细节。一个气声的换气、一个吉他的揉弦、一段贝斯的滑音，原唱没这么弹，模型觉得这儿应该有就给你脑补上了。对追求干净听感的人来说这是福音，对追求保真、追求一个音都不能差的人来说，这就有点恐怖了，你拿到的不是原作的分轨，是模型对原作的一份翻唱。

版权这块就更微妙了。当分离变成了重新生成，你手里那条人声轨，到底还算不算原作的一部分，这事儿在法律上现在没人能给你一个干净的答案。我也不知道这条线最后会划在哪，反正现在是糊的。

所以这功能目前最稳的用法，就是在 Suno 自己的生态里，拆它自己生成的歌（suno.com）。这个边界它官方没大声强调，但你得自己心里有数。演示视频里那条干净到反光的分轨，是在它认识这首歌的前提下跑出来的，别看完就觉得天下所有歌从此都能一键完美扒带了，不是的。官方演示永远是顺风顺水那一条，逆风局它不会拍给你看，这点我们做工程的最清楚，demo 和生产环境之间隔着一整个太平洋。

但即便把冷水泼完，我还是觉得这事值得记一笔。

因为它又一次提醒我，这几年 AI 真正在变的，不是某个指标涨了几个点，是解决问题的姿势在整个换掉。我们这代人是被减法教育大的，遇到脏数据的第一反应永远是清洗、过滤、修补、降噪，在烂摊子里抢救。而生成式给的是另一种答案，烂摊子别抢救了，我见过好的长啥样，我重做一个给你。

这两种姿势，背后是两种对世界的态度。一种是修补匠，对着破的东西缝缝补补，能用就行；一种是创作者，干脆按理想的样子重新造一个。我说不好哪种更对，很多场景里修补依然是更老实、更可控的选择，重做有重做的代价和风险，比如刚才说的那个会脑补、会失真的问题。但你不得不承认，创作者这条路的天花板，肉眼可见地比修补匠高。

万能青年旅店有句词我一直记着，是谁来自山川湖海，却囿于昼夜厨房与爱。我们做技术的，很多时候就是被囿在那份烂数据里，在既定的约束里螺蛳壳里做道场，抠那最后一点点信噪比。而生成式这套东西，某种程度上是在问一个更野的问题，我为什么非得待在这口锅里，我能不能跳出去，重新生一锅干净的。

Suno 这次的更新，技术上看就是一行小字，一个产品功能的迭代。但它背后那个从抠频率到重画一遍的转身，我觉得比功能本身有意思得多。

回到最开始那句让我愣神的话，regenerating from scratch。从零重新生成。这六个字现在贴在音轨分离上，明天可能就贴在别的什么你以为只能修不能换的东西上。

哪天你发现一个一直靠清洗和修补硬撑的老问题，突然有人说不修了，我重做一个，别急着说他疯，先愣一下，想想是不是那个调头又来了。

反正我昨晚是愣住了。挺好，又长见识了。